对话Dyna联合创始人：在真实场景摔打300天，机器人Scaling Law浮现

看多了人形机器人打拳、后空翻等炫酷演示，Dyna Robotics的机器人显得十分“无聊”：从最初的叠毛巾、折餐巾，到新机型Taku在洗衣房默默把脏衣服放进洗衣机、操作旋钮、转入烘干机并折叠归位。《纽约邮报》曾称其为“全世界最无聊的机器人”，而Dyna联合创始人Jason Ma却认为，这是对一家机器人公司最高的赞美——机器人一旦真正开始工作，本来就该是无聊的。

在Jason看来，机器人无法落地，核心不在于缺手少腿，而是模型与整个软硬件系统还不够扎实。历经300多天的真实商业场景部署，Dyna从VLA（视觉-语言-动作模型）全面转向WAM（世界动作模型），并在100万小时人类第一人称视频训练中，窥见了机器人跨本体迁移的Scaling Law。

机器人可能没有“GPT时刻”，落地才是唯一检验标准

当前机器人领域正处于演示向商业化落地的过渡期。针对业内热议的“机器人GPT-3时刻是否来临”，Jason认为机器人的演进更类似自动驾驶，未必会迎来陡峭的单一爆发点。

大语言模型若无法流畅对话便失去核心价值，但机器人只要能在特定垂直场景稳定执行指令，就能产生商业回报。同时，软件无法脱离实体直接分发，在真实物理世界中的系统性迭代无法被算法跳过。

这也是Dyna坚持“大脑与本体一体化”的原因。客户采购的是能端到端解决问题的系统，而非单纯的算法模型。在物理世界中，智能与身体必须深度适配；只做模型层而缺乏硬件掌控力，会导致系统稳定性极易受外部掣肘。

在硬件形态上，Dyna放弃了激进的双足人形与灵巧手，采用“半人形+轮式底盘+机械夹爪”的方案。双足在平整的工商业室内场景并非刚需，而灵巧手的硬件成熟度与遥操作效率目前仍难以支撑低成本落地。

真实部署的苦乐参半：从叠餐巾到万条长程任务

Dyna的技术路线始于高容错率的任务——折叠。叠毛巾即使失败也不会造成财产损坏，但要把叠餐巾做到极致却极其苛刻。

在鼎泰丰等餐饮场景的实际测试中，几毫米的平整度偏差就是“及格与不及格”的分水岭。Dyna-1在实验室环境下的动作成功率达到了99.4%，但在真实业务标准下，达到4级和5级标准的成品率最初仅有75%。在工业流水线逻辑中，99%的成功率意味着每千次操作就会造成10次堵塞，反而增加了下游人工质检的负担。

通过部署中的失败恢复、持续学习以及软硬件协同演进，Dyna在鼎泰丰场景将折叠速度从每小时35条提升至每小时95条，日均折叠量突破1500条，完全达到客户商用指标。

这让团队意识到，机器人不能只做单点动作，必须成为能够承包全流程的“物理智能体（Physical Agent）”。例如固定式机械臂折衣服，折得越快，桌面堆积越多，反而需要人更频繁地介入清理。而在最新的Dyna-2.1中，半人形机器人Taku能够自主穿梭于洗衣房，实现洗衣、烘干、取物、折叠与入柜的全流程长程闭环，自主运行耗时达半小时以上。

架构转型：从VLA到世界动作模型（WAM）

在底层架构上，Dyna-1采用的VLA架构在面对复杂任务时暴露出泛化瓶颈。因此，团队转向了世界动作模型（WAM）。

VLA通常仅对机器人的动作轨迹建模，而世界动作模型同时联合预测周围世界未来的状态轨迹。借助预训练视频模型的先验知识，机器人能更深刻地理解物理交互规律，使推理动作更加鲁棒。

更具突破性的是数据层面的发现。在机器人领域，高质量的真机遥操作数据极其昂贵且难以规模化。Dyna引入了100万小时的人类第一人称视角视频进行预训练，跨越100小时、1000小时、1万小时到10万小时等多个量级。

结果显示，随着人类第一人称数据的倍增，模型在预测机器人自身的未知动作轨迹时，表现同样呈现明显的幂律提升。这种跨本体迁移（Cross-embodiment transfer）的Scaling Law，为绕过机器人本体数据短缺的瓶颈提供了一条行之有效的路径。

通过海量人类视频完成预训练后，在后训练阶段仅需几十分钟的高质量遥操作数据，机器人便能学会新设备与新场景的操作逻辑。

硬件与部署构筑最高壁垒

面对硅谷各大巨头与明星初创公司的激烈竞争，Jason认为，物理世界的切换成本（Switching Cost）天然高于纯软件层。一旦机器人在特定B端场景形成完整的作业闭环，客户很难轻易替换。

如果仅做“大脑”算法层，企业将极度依赖系统集成商与硬件载体，一旦巨头开源高性价比基座模型，算法公司的议价能力就会被迅速压缩。相反，掌握成熟硬件、数据基础设施与真实落地场景的公司，拥有最天然的分发渠道，甚至随时可以兼容接入业界表现最优的第三方模型。

让模型、硬件、部署运维、数据基建、可教性（Teachability）与物理智能体六大维度协同扩展，正是Dyna在经历300天真实业务洗礼后所确立的核心护城河。